CN101980298B - 基于多智能体遗传聚类算法的图像分割方法 - Google Patents
基于多智能体遗传聚类算法的图像分割方法 Download PDFInfo
- Publication number
- CN101980298B CN101980298B CN201010530968A CN201010530968A CN101980298B CN 101980298 B CN101980298 B CN 101980298B CN 201010530968 A CN201010530968 A CN 201010530968A CN 201010530968 A CN201010530968 A CN 201010530968A CN 101980298 B CN101980298 B CN 101980298B
- Authority
- CN
- China
- Prior art keywords
- image
- intelligent
- intelligent body
- cluster
- volume mesh
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多智能体遗传聚类算法的图像分割方法,主要解决现有技术对初始聚类中心敏感,收敛速度慢及容易陷入局部极值的问题。本方法将图像的聚类分割转化为一个全局优化问题,其实现步骤为:首先,提取待分割图像像素点的邻域中值和邻域均值二维灰度信息,构造一个新的二维直方图;其次,将多智能体遗传算法MAGA和模糊C均值聚类算法FCM相结合,利用多智能体遗传算法的全局优化能力获得最优聚类中心和隶属度矩阵;根据最大隶属度原则输出聚类标签,进而实现图像分割。本方法抗噪声能力强,收敛速度快,能够改善图像分割的质量和分割效果的稳定性,可用于图像目标的提取和识别。
Description
技术领域
本发明属于图像处理技术领域,涉及图像分割方法,可用于模式识别和计算机视觉等领域。
背景技术
图像分割是后续图像分析和图像理解的基础,在实际中有着非常广泛的应用,例如对图像目标的提取、测量都离不开图像分割,分割的准确性直接影响后续任务的有效性,因此具有十分重要的意义。
图像分割又是一种特殊的图像处理技术,其实质是一个按照像素属性即灰度、纹理、颜色进行分类的过程。
聚类是无监督分类的一种,被广泛地应用于工程、生物、计算机视觉和遥感等领域。聚类是将一组分布未知的数据进行分类,尽可能地使得同一类中的数据具有相同的性质,而不同类的数据其性质各异,其目的是寻找隐藏在数据中的结构。
基于此,许多聚类算法被应用于图像分割领域并取得了较为满意的效果。但由于图像数据的特殊性,并不是所有的聚类算法都能直接应用于图像分割,有的算法需要改进,有的算法根本不适合这个领域。几种常用的聚类技术包括:分层聚类算法,最近邻域聚类算法,模糊聚类算法,人工神经网络聚类算法,遗传聚类算法。其中,经常被用于图像分割的典型的聚类算法是模糊C均值FCM算法。但这种FCM算法的缺点是:对初始值敏感及对噪声数据敏感,容易陷入局部最优。为解决这类问题,许多研究人员提出采用遗传算法与FCM结合,得到了比较满意的结果,例如国内的高新波教授在其著作《模糊聚类分析及其应用》(西安电子科技大学出版社,2004年出版)中曾对此做过大量的研究,但由于传统遗传算法全局进化机理的局限,使得这种遗传算法与FCM结合后的方法GA-FCM仍然具有收敛速度慢和容易陷入局部极值等缺陷,导致图像分割质量的下降和分割效果稳定性的降低。另外,前面所述的FCM以及遗传算法与FCM结合后的方法在分割图像时利用的是图像灰度直方图特征,二者均没有充分的考虑图像像素的空间信息,因此图像分割质量容易受到图像中噪声的影响,不利于后续的图像分析和理解。
发明内容
本发明的目的在于克服上述已有技术的不足,提出一种基于多智能体遗传聚类算法的图像分割方法,以充分考虑图像像素的空间信息,抑制噪声对图像分割的影响,改善了图像分割效果。
为实现上述目的,本发明包括以下步骤:
(1)输入待分割图像,
(2)提取待分割图像的二维灰度信息:
(2a)对待处理的当前像素点(σ1,σ2),选取该点3×3邻域内各点值的中值代替(σ1,σ2),将此均值作为二维灰度信息的第一维;
(2b)对待处理的当前像素点(σ1,σ2),选取该点(5×5)邻域内各点的均值代替(σ1,σ2),将此均值作为二维灰度信息的第二维;
(3)应用多智能体遗传聚类算法对图像二维灰度信息进行聚类:
(3a)确定聚类数目c和模糊权重m,随机初始化聚类原型,每个聚类原型代表一个智能体,确定种群大小,令进化代数t=0;
(3b)利用如下隶属度公式对隶属度进行更新:
其中:i和j表示聚类类别,v为聚类中心,vi表示第i类的聚类中心,vj表示第j类的聚类中心,k表示当前待聚类数据的标号,uik表示第k个待聚类数据隶属于第i类的隶属度,x为待聚类的图像二维灰度信息,xk表示待聚类的图像二维灰度信息的第k个数据;
(3c)利用如下公式计算种群中智能体的能量Energy(V):
其中:V表示种群中的智能体,n为待聚类图像二维灰度信息的数目,ζ为常数;
(3d)根据(3c)中计算的种群中智能体的能量,将领域竞争算子作用在智能体网格Lt中的每个智能体上,获得智能体网格Lt+1/3;
(3e)设R(0,1)是0到1之间的随机数,如果R(0,1)小于领域正交交叉操作概率Pc,将领域正交交叉算子作用在智能体网格Lt+1/3中的智能体上,产生新的智能体网格Lt+2/3;如果R(0,1)小于高斯变异算子操作概率Pm,将变异算子作用在新的智能体网格Lt+2/3中的智能体上,得到下一代智能体网格Lt+1;
(3f)从下一代智能体网格Lt+1中找到能量最大的智能体CBestt+1,将自学习算子作用在该智能体CBestt+1上,如果满足Energy(CBestt+1)>Energy(Bestt),则Bestt+1←CBestt+1,否则,Bestt+1←Bestt,CBestt+1←Bestt,其中:Bestt为L0,L1,...,Lt中能量最大的智能体;
(3g)如果满足终止条件,输出隶属度矩阵和聚类原型并且停止,否则t←t+1转向步骤(3b);
(3h)根据(3g)输出的隶属度矩阵,按最大隶属度原则输出聚类标签;
(3i)根据(3h)输出的聚类标签,对图像像素进行分类,实现图像分割,并输出分割后的图像。
本发明和现有技术具有如下优点:
1.本发明与现有的模糊C均值FCM方法相比,由于采用了智能体网格结构和邻域竞争算子、邻域正交交叉算子,高斯变异算子和自学习算子等操作,因此克服了FCM算法对初始聚类中心敏感及易陷入局部极值等缺点。
2.本发明与现有的GA-FCM聚类算法相比,由于采用了智能体网格结构和邻域竞争算子、邻域正交交叉算子,高斯变异算子和自学习算子等操作,因此克服了GA-FCM聚类算法收敛速度慢和容易陷入局部极值等缺点。
3.本发明与现有的模糊C均值FCM算法、GA-FCM聚类算法相比,由于采用了改进的图像二维灰度信息作为特征,因此抑制了噪声对图像分割的影响,改善了图像分割的质量,同时由于采用了智能体网格结构和邻域竞争算子、邻域正交交叉算子,高斯变异算子和自学习算子等操作,因此增强了分割效果的稳定性。
附图说明
图1是本发明的流程框图;
图2是本发明中智能体生存的网格环境;
图3是本发明与GA-FCM聚类算法收敛性对比图;
图4是本发明与现有三种聚类图像分割算法应用于椒盐噪声大小为0.05的两类灰度图像仿真对比图;
图5是本发明与现有三种聚类图像分割算法应用于高斯噪声为N(0,0.02)的四类灰度图像仿真对比图;
图6是本发明与现有三种聚类图像分割算法应用于SAR机场图像仿真对比图;
图7是本发明与现有三种聚类图像分割算法应用于SAR港口图像仿真对比图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1,提取待分割图像的二维直方图信息。
(1.1)输入待分割图像;
(1.2)对待处理的当前像素点(σ1,σ2),选取该点3×3邻域内各点值的中值代替(σ1,σ2),将此均值作为二维灰度信息的第一维;
(1.3)对待处理的当前像素点(σ1,σ2),选取该点(5×5)邻域内各点的均值代替(σ1,σ2),将此均值作为二维灰度信息的第二维。
步骤2,应用多智能体遗传聚类算法对图像二维灰度信息进行聚类。
2.1)多智能体遗传聚类算法
智能体生存在一个网格环境中,称为智能体网格,记为L,网格的大小为Lsize×Lsize,其中,Lsize为整数,每个智能体固定在一个格点上,记处于第i行、第j列的智能体为Li,j,i,j=1,2,Λ,Lsize,则智能体Li,j的邻域为
其中,
每个智能体不能移动,只能和其邻域发生相互作用。
智能体网格如图2所示,每个圆圈表示一个智能体,圆圈中的数字表示该智能体在网格中的位置,而有连线的两个智能体才能发生相互作用。
多智能体遗传聚类算法主要包括四个算子:邻域竞争算子、邻域正交交叉算子、高斯变异算子和自学习算子,各算子分别产生新智能体:
A.邻域竞争算子是按如下两种策略产生的新智能体:
其中,epq为中的元素,xpq为初始智能体网格中智能体数值的下界,为初始智能体网格中智能体数值的上界,mpq为邻域能量最大的智能体中位于(p,q)处的值,lpq为智能体Li,j中位于(p,q)处的值,c为聚类数目,s为图像二维灰度信息维数,R(-1,1)为-1到+1之间的随机数;
p=1,2,K,c,1<i1<s,1<i2<s,i1<i2;
p=1,2,...,c,q=1,2,...,s。
其中,epq为中的元素,G(0,1/t)是高斯分布的随机数,R(0,1)是0到1之间的随机数,T为总进化代数,t是当前进化代数。
C.自学习算子是按如下步骤产生一个新的智能体:
首先,利用智能体网格生成的方法产生一个自学习智能体网格sL,其大小为sLsize×sLsize,其上的所有智能体sLi′,j′,i′,j′=1,2,...,sLsize根据下式产生:
其中,R(1-sRadius,1+sRadius)表示1-sRadius到1+sRadius之间的随机数,sRadius∈[0,1]表示搜索半径;
其次:将邻域竞争算子和变异算子迭代作用在自学习智能体网格sL上,用自学习智能体网格sL中能量最大的智能体替代Li,j。
2.2)应用多智能体遗传聚类算法按如下步骤对图像二维灰度信息进行聚类:
2.2.1)确定聚类数目c和模糊权重m,随机初始化聚类原型,每个聚类原型代表一个智能体,确定种群大小,令进化代数t=0;
2.2.2)利用如下隶属度公式对隶属度进行更新:
其中:i和j表示聚类类别,v为聚类中心,vi表示第i类的聚类中心,vj表示第j类的聚类中心,k表示当前待聚类数据的标号,uik表示第k个待聚类数据隶属于第i类的隶属度,x为待聚类的图像二维灰度信息,xk表示待聚类的图像二维灰度信息的第k个数据;
2.2.3)利用如下公式计算种群中智能体的能量Energy(V):
其中:V表示种群中的智能体,n为待聚类图像二维灰度信息的数目,ζ为常数;
2.2.4)根据步骤2.3.3)中计算的种群中智能体的能量,将领域竞争算子作用在智能体网格Lt中的每个智能体上,获得智能体网格Lt+1/3;
领域竞争算子有两种产生新智能体的策略,执行时以竞争概率P0从策略1和策略2中选择一种,若0到1之间的随机数R(0,1)小于竞争概率P0,则选择策略1,反之若R(0,1)大于竞争概率P0,则选择策略2。
2.2.5)设R(0,1)是0到1之间的随机数,如果R(0,1)小于领域正交交叉操作概率Pc,将领域正交交叉算子作用在智能体网格Lt+1/3中的智能体上,产生新的智能体网格Lt+2/3;如果R(0,1)小于高斯变异算子操作概率Pm,将变异算子作用在新的智能体网格Lt+2/3中的智能体上,得到下一代智能体网格Lt+1;
2.2.6)从下一代智能体网格Lt+1中找到能量最大的智能体CBestt+1,将自学习算子作用在该智能体CBestt+1上,如果满足Energy(CBestt+1)>Energy(Bestt),则Bestt+1←CBestt+1,否则,Bestt+1←Bestt,CBestt+1←Bestt,其中:Bestt为L0,L1,...,Lt中能量最大的智能体;
2.2.7)如果满足终止条件,输出隶属度矩阵和聚类原型并停止,否则t←t+1转向步骤2.2.2);
2.2.8)根据步骤2.2.7)输出的隶属度矩阵,按最大隶属度原则输出聚类标签。
最大隶属度原则为:
像素η属于第一类的概率为p1,属于第二类的概率为p2,若p1<p2,则像素η属于第二类,反之若p1>p2,则像素η属于第一类;对于多类的情况,若像素η属于第i″′类的概率大于像素η属于其它类的概率,则像素η属于第i″′类。
步骤3,根据步骤2.2.8)输出的聚类标签,对图像像素进行分类,实现图像分割,并输出分割后的图像。
本发明的效果可以通过以下仿真结果进一步说明。
1.参数设置
智能体网格大小Lsize=6,竞争概率P0=0.5,邻域正交交叉概率Pc=0.4,高斯变异概率Pm=0.1,最大进化代数T=10,自学习智能体网格大小sLsize=4,搜索半径sRadius=0.2,自学习变异概率sPm=0.05,自学习代数sGen=8。
GA-FCM聚类算法参数设置为:种群大小36,最大进化代数100,交叉概率0.4,变异概率0.1。
2DGA-FCM聚类算法参数设置为:种群大小36,最大进化代数100,交叉概率0.4,变异概率0.1。
FCM参数设置:m=2,阈值10e-6,最大代数100。
2.仿真内容
应用本发明图像分割方法和现有的FCM聚类分割方法、GA-FCM聚类分割算法、2DGA-FCM聚类分割算法,分别对一幅两类加燥图像、一幅四类加燥图像、一幅SAR机场图像、一幅SAR港口图像进行分割,并给出了分割正确率作为客观评价标准来说明本发明应用于图像分割的性能,其正确率越高,说明分割性能越好。
仿真内容1,将现有GA-FCM聚类分割方法与本发明的图像分割方法进行收敛性比较,其结果如图3所示。
仿真内容2,将现有FCM聚类分割方法,GA-FCM聚类分割方法,2DGA-FCM聚类分割方法和本发明的图像分割方法应用于两类加燥图像进行分割,其结果如图4所示,其中:图4(a)为原始合成图像,物体灰度值为160,背景灰度值为100,图4(b)为对图4(a)加椒盐噪声后的图像,噪声大小为0.05,图4(c)为FCM聚类分割方法分割图,图4(d)为GA-FCM聚类分割方法分割图,图4(e)为2DGA-FCM聚类分割方法分割图,图4(f)为本发明方法分割图。
仿真内容3,将现有FCM聚类分割方法,GA-FCM聚类分割方法,2DGA-FCM聚类分割方法和本发明的图像分割方法应用于四类加燥图像进行分割,其结果如图5所示,其中:图5(a)为原始合成图像,图像四部分灰度值分布为0,80,160,240,图5(b)为图5(a)加高斯噪声后的图像,噪声大小为0.02,图5(c)为FCM聚类分割方法分割图,图5(d)为GA-FCM聚类分割方法分割图,图5(e)为2DGA-FCM聚类分割方法分割图,图5(f)为本发明方法分割图。
仿真内容4,将现有FCM聚类分割方法,GA-FCM聚类分割方法,2DGA-FCM聚类分割方法和本发明的图像分割方法应用于SAR机场图像进行分割,其结果如图6所示,其中:图6(a)为原SAR机场图像,图6(b)为FCM聚类分割方法分割图,图6(c)为GA-FCM聚类分割方法分割图,图6(d)为2DGA-FCM聚类分割方法分割图,图6(e)为本发明方法分割图。
仿真内容5,将现有FCM聚类分割方法,GA-FCM聚类分割方法,2DGA-FCM聚类分割方法和本发明的图像分割方法应用于SAR港口图像进行分割,其结果如图7所示,其中:图7(a)为原SAR港口图像,图7(b)为FCM聚类分割方法分割图,图7(c)为GA-FCM聚类分割方法分割图,图7(d)为2DGA-FCM聚类分割方法分割图,图7(e)为本发明方法分割图。
3.仿真分析
从图3中可以看出,本发明方法与传统遗传聚类方法GA-FCM相比,具有更快的收敛速度和更好的收敛性。
表1列出了仿真内容2的仿真结果所得的正确率对比结果。
表1:不同聚类方法分割方法正确率
分割方法 | FCM | GA-FCM | 2DGA-FCM | 本发明方法 |
正确率 | 97.53% | 97.53% | 97.57% | 99.88 |
从表1中可以看出,本发明方法获得了比现有其他方法更高分割正确率,从图4(f)中可以看出,本发明方法分割后的图像视觉效果更接近于原始图像,本发明方法有效的抑制了椒盐噪声对图像分割的影响。
表2列出了仿真内容3的仿真结果所得的正确率对比结果。
表2:不同聚类方法分割方法正确率
分割方法 | FCM | GA-FCM | 2DGA-FCM | 本发明方法 |
正确率 | 79.73% | 95.23% | 93.94% | 99.14 |
从表2中可以看出,本发明获得了比现有其他方法更高分割正确率,从图5(f)可以看出,本发明方法分割后的图像视觉效果更接近于原始图像,有效的抑制了高斯噪声对图像分割的影响。
从图6仿真结果可以看出,本方法的分割结果具有更好的区域一致性,而且抑制了机场跑道上的噪声对图像分割的影响,同时,对于除主跑道之外的弱目标则给予忽略,更加清晰地分割出机场主跑道。
从图7仿真结果可以看出,本发明获得了比现有其他方法更好的分割结果,本发明方法和其他方法相比在最大程度上抑制了噪声和杂散点对图像分割效果的影响同时,尤其是在区域一致性的保持上面,本发明得到了比较满意的效果。
Claims (5)
1.一种基于多智能体遗传聚类算法的图像分割方法,包括:
(1)输入待分割图像
(2)提取待分割图像的二维灰度信息:
(2a)对待处理的当前像素点(σ1,σ2),选取该点3×3邻域内各点值的中值代替(σ1,σ2),将此中值作为二维灰度信息的第一维;
(2b)对待处理的当前像素点(σ1,σ2),选取该点5×5邻域内各点的均值代替(σ1,σ2),将此均值作为二维灰度信息的第二维;
(3)应用多智能体遗传聚类算法对图像二维灰度信息进行聚类:
(3a)确定聚类数目c和模糊权重m,随机初始化聚类原型,每个聚类原型代表一个智能体,确定种群大小,令进化代数t=0;
(3b)利用如下隶属度公式对隶属度进行更新:
其中i和j表示聚类类别,v为聚类中心,vi表示第i类的聚类中心,vj表示第j类的聚类中心,k表示当前待聚类数据的标号,uik表示第k个待聚类数据隶属于第i类的隶属度,x为待聚类的图像二维灰度信息,xk表示待聚类的图像二维灰度信息的第k个数据;
(3c)利用如下公式计算种群中智能体的能量Energy(V):
其中V表示种群中的智能体,n为待聚类图像二维灰度信息的数目,ζ为常数;
(3d)根据(3c)中计算的种群中智能体的能量,将邻域竞争算子作用在智能体网格Lt中的每个智能体上,获得智能体网格Lt+1/3;
(3e)设R(0,1)是0到1之间的随机数,如果R(0,1)小于邻域正交交叉操作概率Pc,将邻域正交交叉算子作用在智能体网格Lt+1/3中的智能体上,产生新的智能体网 格Lt+2/3;如果R(0,1)小于高斯变异算子操作概率Pm,将变异算子作用在新的智能体网格Lt+2/3中的智能体上,得到下一代智能体网格Lt+1;
(3f)从下一代智能体网格Lt+1中找到能量最大的智能体CBestt+1,将自学习算子作用在该智能体CBestt+1上,如果满足Energy(CBestt+1)>Energy(Bestt),则Bestt+1←CBestt+1,否则,Bestt+1←Bestt,CBestt+1←Bestt,其中Bestt为L0,L1,...,Lt中能量最大的智能体;
(3g)如果满足终止条件,输出隶属度矩阵和聚类原型并且停止,否则t←t+1转向步骤(3b);
(3h)根据(3g)输出的隶属度矩阵,按最大隶属度原则输出聚类标签;
(3i)根据(3h)输出的聚类标签,对图像像素进行分类,实现图像分割,并输出分割后的图像。
3.根据权利要求2所述的基于多智能体遗传聚类算法的图像分割方法,其中步骤(3d)所述的邻域竞争算子是按如下两种策略产生的新智能体:
其中p=1,2,...,c,q=1,2,...,s,epq为 中的元素,x pq为初始智能体网格中智能体 数值的下界, 为初始智能体网格中智能体数值的上界,mpq为邻域能量最大的智能体 中位于(p,q)处的值,lpq为智能体Lii,jj中位于(p,q)处的值,c为聚类数目,s为图像二维灰度信息维数,R(-1,1)为-1到+1之间的随机数;
p=1,2,...,c,1<i1<s,1<i2<s,i1<i2;
p=1,2,...,c,q=1,2,…,s。
5.根据权利要求2所述的基于多智能体遗传聚类算法的图像分割方法,其中步骤(3f)所述的自学习算子,按如下步骤产生一个新的智能体:
首先,利用智能体网格生成的方法产生一个自学习智能体网格sL,其大小为sLsize×sLsize,其上的所有智能体sLi′,j′,i′,j′=1,2,...,sLsize根据下式产生:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010530968A CN101980298B (zh) | 2010-11-04 | 2010-11-04 | 基于多智能体遗传聚类算法的图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010530968A CN101980298B (zh) | 2010-11-04 | 2010-11-04 | 基于多智能体遗传聚类算法的图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101980298A CN101980298A (zh) | 2011-02-23 |
CN101980298B true CN101980298B (zh) | 2012-10-24 |
Family
ID=43600799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010530968A Active CN101980298B (zh) | 2010-11-04 | 2010-11-04 | 基于多智能体遗传聚类算法的图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101980298B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426697B (zh) * | 2011-10-24 | 2013-08-14 | 西安电子科技大学 | 基于遗传粗糙集c均值聚类的图像分割方法 |
CN103366367B (zh) * | 2013-06-19 | 2015-11-11 | 西安电子科技大学 | 基于像素数聚类的模糊c-均值灰度图像分割方法 |
CN103366379B (zh) * | 2013-07-29 | 2016-08-10 | 江苏中惠医疗科技股份有限公司 | 基于遗传核模糊聚类的水平集医学图像分割方法 |
CN103824285B (zh) * | 2014-01-27 | 2017-04-26 | 湖北工业大学 | 一种基于蝙蝠优化模糊聚类的图像分割方法 |
CN103971363B (zh) * | 2014-03-31 | 2017-09-05 | 南京信息工程大学 | 基于分层模糊c均值的图像分割方法 |
CN104050680B (zh) * | 2014-07-04 | 2016-10-12 | 西安电子科技大学 | 基于迭代自组织和多智能体遗传聚类算法的图像分割方法 |
CN104537660B (zh) * | 2014-12-25 | 2017-07-28 | 西安电子科技大学 | 基于多目标智能体进化聚类算法的图像分割方法 |
CN104599264A (zh) * | 2014-12-26 | 2015-05-06 | 温州大学 | 一种基于遗传算法的视频对象分割方法 |
CN104537667B (zh) * | 2014-12-27 | 2017-04-19 | 西安电子科技大学 | 基于方向多目标遗传聚类算法的图像分割方法 |
CN107330910B (zh) * | 2017-06-28 | 2019-11-12 | 华中科技大学 | 一种针对光流图的快速的fcm图像分割方法 |
CN108846845B (zh) * | 2018-06-22 | 2022-03-04 | 西安电子科技大学 | 基于缩略图与分层模糊聚类的sar图像分割方法 |
CN109376760B (zh) * | 2018-09-11 | 2022-03-22 | 温州大学苍南研究院 | 一种基于正交化局部敏感判别分析的铝板腐蚀检测方法 |
CN110827215A (zh) * | 2019-10-21 | 2020-02-21 | 天津大学 | 一种基于模糊聚类的ert图像重建伪影去除方法 |
CN113887636B (zh) * | 2021-10-09 | 2023-04-07 | 四川大学 | 基于遗传算法的可选择数据增强方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719277B (zh) * | 2009-12-31 | 2011-11-30 | 华中科技大学 | 一种遗传模糊聚类图像分割方法 |
-
2010
- 2010-11-04 CN CN201010530968A patent/CN101980298B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN101980298A (zh) | 2011-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101980298B (zh) | 基于多智能体遗传聚类算法的图像分割方法 | |
CN108038445B (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
CN102426697B (zh) | 基于遗传粗糙集c均值聚类的图像分割方法 | |
Wu et al. | A hybrid support vector regression approach for rainfall forecasting using particle swarm optimization and projection pursuit technology | |
CN105787501B (zh) | 输电线路走廊区域自动选择特征的植被分类方法 | |
CN109034066B (zh) | 基于多特征融合的建筑物识别方法 | |
CN103839261A (zh) | 一种基于分解进化多目标优化和fcm的sar图像分割方法 | |
CN103593855B (zh) | 基于粒子群优化和空间距离测度聚类的图像分割方法 | |
CN101866490B (zh) | 基于差分免疫克隆聚类的图像分割方法 | |
CN103914705B (zh) | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 | |
CN105069796B (zh) | 基于小波散射网络的sar图像分割方法 | |
CN103824291A (zh) | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 | |
CN104732545A (zh) | 结合稀疏近邻传播和快速谱聚类的纹理图像分割方法 | |
CN103413143A (zh) | 基于动态稀疏投影的视频目标跟踪方法 | |
CN101964113A (zh) | 光照突变场景下的运动目标检测方法 | |
CN104361365A (zh) | 一种抽油泵运行状态识别方法及装置 | |
CN102842043A (zh) | 基于自动聚类的粒子群优化分类方法 | |
CN102622761B (zh) | 基于相似性相互作用机理的图像分割方法 | |
CN103985112A (zh) | 基于改进多目标粒子群优化聚类的图像分割方法 | |
CN102496142B (zh) | 基于模糊的三马尔可夫场sar图像分割方法 | |
CN104021560A (zh) | 基于多目标进化算法的图像分割方法 | |
CN100555326C (zh) | 一种尺度自适应的图像分割方法 | |
CN104050680A (zh) | 基于迭代自组织和多智能体遗传聚类算法的图像分割方法 | |
CN105721086B (zh) | 基于ukfnn的无线信道场景识别方法 | |
CN103020979A (zh) | 基于稀疏遗传聚类的图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |